混沌递阶遗传神经网络在组合预测中的应用 application of chaotic and hierarchical genetic algorithm for artificial neural networks to combination forecasting.pdfVIP

嘭：与闻2007年第26卷第4期 混沌递阶遗传神经网络在组合预测中的应用 柯于刚 顾 洁 (上海交通大学电气工程系 200240) 摘 要 分析了几种常见的组合预测方法，针对这些方法的缺点，提出了混沌递阶遗传神经 网络的组合预测方法，通过实际应用，并与基于人工免疫算法组合预测和基于标准BP神经网络 组合预测进行了比较，表明了方法的有效性和实用性。’ 关键词 混沌遗传算法 递阶编码 BP神经网络组合预测 的要求，在实际应用中，能更好地提高预测精度， 1 引言 故也得到广泛的应用。然而，BP神经网络本身存 对某一问题的具体预测通常可采用不同的预测 在局部收敛的缺点，以及确定网络结构也较困难。 方法，因为每种预测方法的适用条件不尽相同，所 因此本文提出了采用混沌递阶遗传神经网络进行组 以会产生不同的预测结果，其预测精度往往也不 合预测，在优化网络结构的同时，也可以优化网络 同。但是，这些单项预测法在数据处理及不同准则 参数，克服了BP神经网络存在的缺点，从而提高 方面均有其独到之处，能从不同的角度来推导和演 了预测精度。 绎，其预测结果都有一定的价值。由于被预测系统 2混沌递阶遗传优化算法 的复杂性，在许多情况下，单纯利用一种特定的预 测方法进行预测往往具有片面性。更为科学的做法 2．1遗传算法的递阶编码方式 是，将不同的预测方法以某种方式进行适当的组 所谓遗传递阶编码，就是将染色体基因表示为 合，综合利用各种预测所提供的信息，尽可能地提 控制基因和参数基因的递阶结构，参数基因处于最 高预测精度，于是就形成了组合预测方法。组合预 低级，控制基因处于上级，下级基因串受上级基因 测法就是先利用两种或两种以上不同的单项预测法 的控制，在基因编码时，控制基因常采用二进制编 对同一预测对象进行预测，然后对各个单独的预测 码：“1”表示对应的基因处于激活状态，而与该基 结果做适当的组合，最后取其组合预测结果作为最 因联系的低级基因串则处于有效状态；“0”表示对 终的预测结果的一种预测方法。 应的基因处于休眠状态，与该基因联系的低级基因 组合预测方法是目前预测科学研究的热门课题 串则处于无效状态。这里对隐含层单元按二进制编 之一。利用组合预测的关键是确定各个单一预测方 码得到染色体的控制基因，其串长为所设定的神经 法的加权系数，通常是通过使组合预测误差平方和 网络隐层节点的初始单元数目。控制基因若为“0” 最小化来确定最优加权系数。传统的组合预测方法 表示该位置的隐含层节点不存在，“1”表示该位置 有：等权平均组合预测法、方差一协方差组合预测 的隐层节点存在。对各层间的连接权值和神经元的 法、回归组合预测法、递归方差倒数法等；现代的 阈值按实数编码，可得到染色体的参数基因。控制 组合预测方法有：遗传进化组合预测，人工免疫组 基因若为“0”，则其控制的参数基因解码后为0， 合预测等。但这些方法都是在权重非负的约束下求 表示与该节点有关的连接权不存在。控制基因为 解的，不一定是最优组合预测法，且各预测结果最 “1”，直接解码其控制的参数基因得到连接权值参 终取线性加权进行处理，在一定程度上也存在着缺 数。参数基因的参数依次是输入层和隐含层之问的